Fraunhofer-Institut für Graphische Datenverarbeitung IGD
Aquatische Ökosysteme stehen weltweit vor enormen Herausforderungen durch zunehmende Belastungen wie Umweltverschmutzung und den Klimawandel. Aktuell befinden sich 60 % der europäischen Gewässer in einem schlechten ökologischen Zustand. Das Ziel des Forschungsvorhabens ist die Entwicklung einer KI-basierten Analysesoftware für Phytoplankton in Mikroskopieaufnahmen. Damit soll ein zeit- und kosteneffizientes Monitoring von aquatischen Ökosystemen ermöglicht werden.
Phytoplankton in aquatischen Ökosystemen
Die Bewertung aquatischer Ökosysteme im Rahmen der Wasserrahmenrichtlinie (WRRL) berücksichtigt das Phytoplankton – eine Vielzahl pflanzlicher und photosynthetischer Mikroorganismen – als zentralen Indikator für den ökologischen Zustand von Gewässern. Phytoplankton bildet als Primärproduzent die Grundlage der aquatischen Nahrungskette und ist maßgeblich an der Sauerstoffproduktion sowie am Stoffkreislauf beteiligt. Es reagiert sensitiv auf Umwelteinflüsse wie Nährstoffzustand, Versauerung und Versalzung und dient somit als zuverlässiger Indikator für den Zustand aquatischer Ökosysteme.
Ein gezieltes Monitoring von Phytoplankton liefert wichtige ökologische Metriken – etwa Biomasse, Artenzusammensetzung oder das Auftreten dominanter Arten – die in folgenden Bereichen Anwendung finden:
- Zustandsbewertung aquatischer Ökosysteme
- Früherkennung von Algenblüten
- Qualitätskontrolle von Algenkulturen
- Aquakulturen und Fischereimanagement
Da Phytoplankton rasch und empfindlich auf Umweltveränderungen reagiert, sind standardisierte, zeit- und kostenreduzierte Methoden sowie kontinuierliche Monitoringprogramme erforderlich, um verlässliche Ergebnisse zu gewährleisten.
KI-basierte Analyse von Phytoplankton
Im Rahmen des Projekts PLANC werden verschiedene künstliche neuronale Netze zur KI-gestützten Analyse von Phytoplankton entwickelt und trainiert. Die Modelle lernen, Phytoplankton selbst in komplexen Mikroskopaufnahmen zu erkennen und zwischen verschiedenen Arten zu unterscheiden. Dadurch wird eine automatisierte taxonomische Bestimmung und Zählung der Planktonarten ermöglicht.
Zusätzlich zur Detektion und Klassifikation erlernen die Modelle eine pixelgenaue Segmentierung. Für jedes Individuum wird dabei eine präzise Maske erzeugt, die eine genaue Vermessung erlaubt. Auf Basis eines dreidimensionalen Grundkörpers kann zudem das Biovolumen approximiert werden.
Da die morphologische Unterscheidung von Phytoplankton selbst für Fachexperten eine Herausforderung darstellt, ist die Entwicklung spezialisierter Modellarchitekturen und Trainingsmethoden ein zentraler Bestandteil von PLANC. Zum Einsatz kommen sowohl Convolutional Neural Networks (CNNs) als auch Vision Transformer.
Für das Training werden Methoden des Supervised- und Unsupervised-Learnings eingesetzt, wodurch nicht nur annotierte, sondern auch unannotierte Mikroskopaufnahmen verwendet werden können. So entsteht ein umfangreicher, qualitativ hochwertiger Datensatz, mit dem leistungsstarke neuronale Netze trainiert werden.
Analysesoftware zur automatisierten Planktonauswertung
Zur Nutzung der entwickelten KI-Modelle wird ein webbasierter Softwareprototyp bereitgestellt. Dieser erlaubt eine automatisierte Auswertung von Mikroskopaufnahmen einer Wasserprobe – ohne spezielle Hardware oder Softwareinstallation.
Die Nutzer laden ihre Aufnahmen in die Analysesoftware hoch. Die Bilder werden anschließend auf dem Compute-Cluster des Fraunhofer IGD verarbeitet. Innerhalb weniger Minuten erfolgt die Analyse durch ein KI-Modell. Die Ergebnisse werden in der grafischen Benutzeroberfläche visualisiert und stehen zum Download bereit.